Predicción de Interacciones Droga-Objetivo a Través de una Red Neuronal Graph Dual-Stream

La predicción de interacciones entre drogas y objetivos es una etapa crucial en el descubrimiento de fármacos. Sin embargo, la búsqueda exhaustiva en una base de datos de compuestos es financieramente inviable. Hemos sido testigos del aumento de registros medidos de interacciones entre drogas y objetivos en los últimos años, y la rica información relacionada con drogas/proteínas permite el uso del aprendizaje automático gráfico. A pesar de los avances en la interacción entre drogas y objetivos habilitados por el aprendizaje profundo, aún existen desafíos abiertos: (1) se puede explorar la relación rica y compleja entre las drogas y las proteínas; (2) el nodo intermedio no está calibrado en el gráfico heterogéneo. Para abordar los problemas anteriores, este documento propuso un marco llamado DSG-DTI. Específicamente, DSG-DTI tiene el autoencoder de gráficos heterogéneos y Matrix Completion basado en una red de atención heterogénea. Nuestro marco asegura que los tipos de nodos conocidos (por ejemplo, droga, objetivo, efectos secundarios, enfermedades) estén precisamente incrustados en un espacio de alta dimensión con nuestras habilidades de preentrenamiento. Además, la finalización de matriz basada en gráficos heterogéneos y atención logra resultados altamente competitivos a través de una extracción efectiva de dependencias de largo alcance. Verificamos nuestro modelo en dos bancos de pruebas públicos. El resultado de dos programas de aplicación de referencia disponibles públicamente muestra que el esquema propuesto predice de manera efectiva las interacciones droga-objetivo y puede generalizarse a drogas y objetivos recién registrados con una ligera degradación del rendimiento, superando la mejor precisión en comparación con otras líneas de base.